关于语音 AI，最重要的并不是声音

关于语音 AI，最重要的并不是声音，而是语音能够带来的体验。

想想你经历过的最好的服务体验。你感到自己被理解了。你不必反复说明情况，也不必弄清组织的运作方式，或摸索其内部复杂流程。你只需说明自己的需求，就有人运用对情况的了解、判断力和对组织的认识，帮助你顺利达成目标。

如果企业能够更稳定地大规模提供这样的体验，那会怎样？

这才是语音代理的真正价值所在，而不只是用说话取代打字，或将所有人际互动自动化。语音代理让体验从摸索系统转变为表达意图。客户或员工用自己的话描述想要完成的事情。代理会理解上下文，在幕后协调适当的知识和系统，执行获准采取的操作，并在需要判断力、同理心或权限时引入真人协助。

几十年来，人们一直在适应技术。我们学会了该点击哪里、该打开哪个菜单，以及如何把简单的意图转化为一连串指令。生成式 AI 让我们能够用日常语言交流，开始改变了这种状况。语音则更进一步，开始彻底扭转双方的关系：技术适应人们自然的沟通方式，而企业的复杂性则退居幕后。

语音为何会改变企业体验

语音之所以重要，是因为它能为员工、客户和新员工消除障碍。员工致电服务台时，不应还得弄清哪个系统负责处理问题，或在哪个系统中能找到解决方案。客户在不同渠道之间切换时，不应被迫重复提供相同信息。如果新员工能够练习真实场景中的对话并即时获得反馈，就不应只能依赖静态培训材料。

语音还让无法使用键盘、在现场工作，或单纯觉得说话比打字更轻松的人更容易获得服务。多语言能力有助于组织跨地域保持沟通一致，而不必将每次互动都变成一项单独的制作工作。

然而，语音并不能取代所有屏幕或所有人与人之间的对话。对于比较大量信息和核查精确细节，视觉和书面媒介仍然更合适；当情况含糊、敏感或影响重大时，人的判断依然不可或缺。关键在于，在对话是最自然的达成目标途径时使用语音，并在不适合使用语音时设计清晰的转接流程。

仅有语音界面还不够

仅仅拥有听起来自然的声音还不够。真正的价值在于，代理能否切实改善体验：减少阻碍、保留上下文、加快问题解决，并帮助人们找到合适的结果。这需要的不只是一个吸引人的界面，还需要互联的数据和工作流程、明确的边界、值得信赖的转接机制，以及对后续事项负责。

因此，照本宣科与理解意图之间存在区别。传统工作流程会预先编排每一个步骤；而围绕结果设计的语音代理会接收意图、理解规则和上下文，并调整处理方式，直到达成目标或需要人来作出判断。

了解买家当前的实际情况很有帮助，因为企业在短时间内经历了三个阶段。一段时间以来，市场陷入了采用技术的狂热——采用技术在很大程度上只是为了采用。随后，领导者开始必须为这些投资带来的回报负责，却往往说不清究竟获得了什么价值。于是，关注重点重新转向成果。问题不再只是部署是否带来了成果，还包括实现成果是否牺牲了任何关键因素。如今存在一种善意的审慎态度：人们确实愿意投资，同时也期待这两个问题都能得到回答。

相关预测也指向同一趋势。Gartner 预计，到 2029 年，智能体 AI 将自主解决 80% 的常见客户服务问题。具体数字是否为 80% 并不重要。这里的关键词是解决。对话始于服务接入，而产品的核心是解决问题。

在备受瞩目的场合成为首位客户

在 DXC，我们最早的一批语音 AI 部署之一，发生在一个格外引人注目的场合：公司的财报电话会议。在连续三个季度里，CEO Raul Fernandez 撰写演讲稿，再由一个使用 ElevenLabs 构建的定制 AI 语音模型以他的声音播报。

第一次财报电话会议展示了这项技术的核心能力。到了第二次，他的发言可以用西班牙语、法语、德语、葡萄牙语和阿拉伯语播出。到了第三次，演讲稿则同时以六种语言播出。每一次，Raul 都会告诉听众，这些文字是他写的，而播报内容的是 AI 模型。

财报电话会议并不是一个轻松的场合：发言会受到严格审视和监管，任何听起来稍有不妥的内容都难以被接受。在这样的场合而非更安全的环境中开展这项试验，让我们有了四点体会。

• 作者身份比表达方式更重要。这些发言出自他手，模型只是将其读出来。机构可以用多种语言扩大沟通范围，同时不改变信息的撰写者，也不改变对信息负责的人。
• 披露这一事实增强了效果，而非削弱效果。一开始，我们并不确定公开说明使用了 AI 语音是否会损害我们的公信力。结果恰恰相反；而寄望于没人察觉，则无论从伦理还是实际角度看都是错误的。
• 多语言传达带来了切实价值。原本需要等待译文的股东，如今可以在同一时间、通过同一种声音听到相同的发言。这改变的是谁能平等获取信息，而不是提高了制作效率。
• 信任建立在责任担当之上，而非表面功夫。当人们知道信息由谁撰写、由谁负责，以及遇到问题时可以采取什么补救措施，就会接受由 AI 传达的信息。这些都无法单凭声音本身听出来。

这体现了我们在 LabX（DXC 的 AI 原生产品孵化器）所秉持的一项原则：在要求客户信任一项新兴技术之前，我们应当愿意先在自己的环境中测试它。作为“零号客户”，我们能发现精心打磨的演示无法暴露的问题——人们会在哪些地方犹豫、信任会在哪里瓦解，以及要负责任地大规模运行系统需要哪些防护措施。企业级 AI 最棘手的挑战通常在人，而不在技术。

从演示走向体验变革

我们与 ElevenLabs 的战略合作建立在作为“零号客户”的实践经验之上，并将语音技术应用于三个务实的领域。每种应用都以明确的成果为起点，而非单纯部署技术。

• 在服务台场景中，语音智能体可以帮助员工自然地描述问题、查找相关知识、完成常规步骤，并在需要升级处理时将完整背景信息交给专员。衡量标准不是拦截了多少通电话，而是来电者能否通过一次沟通解决问题，而不必把问题描述三遍。
• 在客户体验平台中，听起来自然的多语言界面能让电话和数字渠道中的互动更加一致。在大多数服务机构，服务质量会因接听人员和接听时间不同而有所差异。这里存在切实改进的空间——每次互动都可以基于相同的背景信息，而最棘手的问题仍会转交给最有能力处理的人。
• 在培训中，语音能将被动接收的内容转化为实践。员工可以演练客户对话、安全情境或棘手的管理沟通，随后获得有针对性的辅导。与阅读相关内容相比，亲自练习实际对话能让人更快掌握所需技能。

面向特定行业的应用或许影响最大。保险公司可以探索为常规理赔提供引导式受理；制造商可以让现场技术人员免提查阅操作规程；公共部门机构可以让人们更容易以多种语言获取信息。这些并不是叠加在机构之上的通用智能体，而是必须围绕各行业的术语、规则、数据和风险特征来设计。

扩大优质服务的特质，而非照本宣科的互动

当然，风险在于规模扩大后，服务变得千篇一律。企业以前就犯过这种错误：将同一套决策树一概而论，满足了平均需求，却让其他所有人都不满意。真正应该推广的是优质服务互动的特质——信息充分、响应及时、以实现结果为导向；与此同时，互动本身要根据每个人的语言、背景和需求灵活调整。一致性应意味着始终保持良好水准，而不是完全相同。

信任也是体验的一部分

语音智能体听起来越像真人，透明度就越重要。人们应当知道自己正在与 AI 互动。机构需要获得明确许可，才能创建或使用某人的合成语音；需要控制谁能访问该语音；对敏感操作采取严格的身份验证；记录智能体执行过的操作；并提供清晰的途径，让人们能够联系到真人。

这些要求往往被视为合规问题，等体验设计完成后才附加上去，但它们必须被视为体验本身的一部分。如果有人无法判断自己是在与真人交谈，不清楚智能体获准执行哪些操作，或者在需要时无法联系到他人，那么无论对话听起来多么自然，这都算不上良好的体验。

我们应当准确说明这种信任从何而来，因为信任是双向的。模型必须由构建它的人进行适当校准。围绕模型的部署——数据处理、访问控制、操作记录，以及明确由人接手的环节——则是另一项独立问题，责任在于将系统投入生产的人。这两者不能相互替代。在语音场景中，两者都更加重要，因为交互是实时的，智能体可能一边交谈一边采取行动，而且屏幕不会向用户显示刚刚代表他们完成了什么。

外部指导在这方面很有帮助。美国联邦贸易委员会已指出恶意语音克隆可能造成的危害，而NIST人工智能风险管理框架则为识别和管理人工智能风险提供了实用框架。应将知情同意、信息披露、安全、测试和持续监控视为产品的核心要求。

构建一条从试验走向规模化的开放路径

我作为人工智能创新与战略及 LabX 总裁，如今承担着范围更广的职责，需要统筹应对同一挑战的两个方面：孵化原生人工智能产品，以及推进 DXC 的人工智能合作伙伴平台战略的商业化。LabX 仍是一个将前沿技术应用于客户实际问题进行测试的场所，但其职责如今还包括帮助客户了解由 Anthropic 和 ElevenLabs 等合作伙伴构成的开放生态系统。

这种开放方式很重要，因为没有任何一种模型、平台或交互界面能够适用于所有企业和所有用例。我们的工作是将合适的技术与领域专业知识、工作流设计、治理和交付能力结合起来，然后验证它能否带来可衡量的成果。有时，合适的交互界面是文本；有时则是视觉界面。语音将日益成为一种选择，而且往往会与前两者经过审慎地结合使用。

问题不在于企业可以在哪些地方加入语音，而在于对话能否带来更好的体验和更好的结果，以及组织是否已准备好围绕语音重新设计工作。